基于EMD与神经网络的中国股票市场预测

应用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型.首先应用EMD分解算法把原始股市时间序列分解成不同尺度的基本模态分量,并在此基础上进一步分析, 表明中国股市存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 实验表明:与现有方法相比, 该方法具有较高的精度.     

AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。     

基于VMD的中国出口集装箱运价指数分析与组合预测

基于分解-重构-分项预测-集成思想,通过优选分解方法、优化重构方法、优选预测方法及合理选择集成方法等途径,构建了基于变分模态分解(VMD)的组合预测模型,对中国出口集装箱运价指数(CCFI)进行了预测,分析了CCFI波动特性及经济内涵.首先,选用VMD将运价指数序列分解为多个模态分量;其次,采用C值优化的FCM算法将模态分量重构为高、中、低频和趋势项,通过波动特性分析挖掘了重构项蕴含的短期市场不均衡因素、季节因素、重大事件及市场供需等经济内涵;再次,构建了基于数据特征分析的预测模型优选方法,进行了重构项预测;最后,将重构项预测值相加集成,分析了预测效果.实证结果表明,构建的组合模型预测效果优于BPNN、SVM、ARIMA等单一模型、EMD组合模型及未优化的VMD组合模型,较好地体现了CCFI外在波动特征与内在经济意义.     

载重量影响的电力推进船舶电力负荷混沌预测

为提高电力推进船舶电力负荷预测精度,通过小波变换将电力推进船舶电力负荷分解为固有负荷分量和载重量影响负荷分量,在此基础上用混沌局域关联模型预测固有负荷分量;用线性回归模型预测载重量影响负荷分量.建立固有负荷分量预测模型时以自相似轨道搜寻为基础,且将关联度作用于固有负荷分量混沌预测模型.实例计算结果表明该方法能有效提高预测精度.     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

基于EMD技术的非平稳非线性时间序列预测

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)技术的时间序列组合预测模型。首先对非平稳非线性时间序列进行EMD技术分解,然后将分解得到的子序列进行聚类,并运用传统的时间序列预测方法对各子序列分别进行预测,最后汇总子序列的预测值得到目标时间序列的预测值。统计模拟和实证分析显示:组合预测模型能够显著提高预测的精度,说明新方法对于非平稳非线性时间序列的预测是有效的。     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究

鉴于股票波动具有显著的多尺度特征,本文引入二元经验模态分解(EMD)与二元CopulaGARCH算法,提出一种新的VaR风险度量模型,即BEMD-Copula-GARCH模型.具体地,新BEMD-Copula-GARCH模型可分为三个主要步骤:数据分析,分风险估计和总风险集成.首先,基于二元EMD模型,将复杂且相互作用的股票对分解为若干组较为简单且相互独立的分量,以降低建模难度.其次,引入二元Copula-GARCH模型,刻画各组分量间的相互关系,以度量股票投资组合在不同尺度上的分VaR值.最后,集成各分VaR值以得出最终VaR风险度量结果.实证研究以恒生指数与上证综指为数据样本构造投资组合,结果表明:本文所构建的新模型能有效度量投资组合风险,其估计精度显著优于DCC-GARCH和Copula-GARCH等现有模型.     

基于多频组合模型的中国区域碳市场价格预测

新兴的中国区域性碳排放市场受到交易制度,异质环境,政策等因素的影响,使碳价呈现出非线性,非平稳,多频率等特征,风险较为突出.研究碳价的预测方法,有利于碳市场风险管理.传统的单一模型不能全面刻画碳价波动特征,论文构建多频率组合预测模型.运用极点对称模态分解方法将碳价时间序列分解为互不耦合的模态分量;将这些分量分为高,中,低频部分,分别选择适合三种不同频率模态下的预测方法NAR(non-linear autoregressive),WNN(wavelet neural network),SVM(support vector machine)确定其输入输出结构以分类预测;利用PSO-SVM集成碳价分类预测结果,发现:与NAR,WNN,SVM,GARCH等单模型相比,论文的多频率组合预测模型精度更高,是一种更为有效的碳价预测方法.     

采煤工作面瓦斯涌出量的固有模态SVM建模预测

首先提出了一个依据EMD (empirical mode decomposition)方法提取固有模态分量进行SVM建模实现采煤工作面瓦斯涌出量预测的技术方法. 利用瓦斯涌出量的历史记录数据, 通过EMD分解得出其固有模态函数, 即IMF分量, 然后, 对应于每个固有模态分别利用SVM函数拟合方法进行外推预测, 再把不同固有模态的预测结果进行叠加重构合成, 获得瓦斯涌出量的理论预测结果. 从监测结果的实例分析发现, 与常规SVM方法相比, EMD方法的引入能够大幅度提高理论模型的预测精度, 并给出监测数据极为吻合的预测结果. 实际应用表明, 在采煤工作面瓦斯涌出量预测建模中, 固有模态的提取和SVM方法的实施都充分利用了样本数据本身驱动的自适应性质, 从而为保障优异的预测效果提供了良好的理论基础.     

基于LSTM-SVR模型的航空旅客出行指数预测

航空旅客出行的情况对民用航空机场建设与运营具有重大意义，定义了一种航空旅客出行指数，运用机器学习方法对航空旅客出行指数进行预测，克服了单一预测模型精度的不足，提出一种将长短期记忆网络(LSTM)与支持向量回归(SVR)相结合的航空旅客出行指数组合预测模型，并对预测结果集进行聚类分析。以上海机场航空旅客数据为实证，验证了LSTM-SVR组合预测模型可行性与有效性，实验结果显示：LSTM-SVR组合预测模型较传统单一预测模型具有更高的精度；同时，LSTM-SVR组合预测模型与其他组合预测模型相比也有较明显优势。此外，基于K-均值算法对航空旅客出行指数进行聚类分析并给出评级，此举为机场运营管理及旅客出行提供一定的决策支持。     

基于季节调整和BP神经网络的月度负荷预测

月度电力负荷序列中离群值及节假日因素会影响月度负荷预测的准确性.为此,提出了基于季节调整方法和BP神经网络的月度电力负荷组合预测模型.首先,利用季节调整方法对原始负荷序列进行预处理,消除离群值和春节假日的影响;然后用BP神经网络对回归残差序列建模预测得到预测结果或对季节调整后序列和季节成分序列分别建模预测,并对分量预测结果重构后得到最终预测结果的方法.通过实例对预测效果进行检验,结果表明提出的预测方法的预测表现要优于BP神经网络,SARIMA,支持向量机等模型,可以获得更高的预测精度.     

基于SMC-RS-LSSVM的电子商务客户流失预测模型

为提高个体层次上客户流失预测的精度,建立了基于SMC-粗糙集-最小二乘支持向量机的电子商务客户流失预测模型.该模型首先利用SMC模型计算出客户活跃度,以0.5为阈值判断出客户流失状态,识别出正判客户和错判客户;其次应用粗糙集理论约简出重要的客户流失预测指标体系,然后将训练样本送入最小二乘支持向量机进行学习和训练,进而对测试样本的客户流失状态进行判别.利用某网上商场的2525名客户样本进行电子商务客户流失预测实证研究,结果表明:与SMC模型、BP神经网络模型、最小二乘支持向量机模型相比,该模型对测试样本预测精度更高,是一种更为有效和实用的客户流失预测方法.     

基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

基于LASSO分位数回归的中期电力负荷概率密度预测方法

中期电力负荷预测过程中往往会受到多种外界因素(诸如温度、节假日、风力大小等)的不确定性干扰,并且影响中期电力负荷预测的因素复杂多变、规律各异,难以精准地进行预测.在大数据环境下,如何在种类繁多、数量庞大的影响因素中快速获取有价值信息成为了电力负荷预测问题的关键所在.提出的基于LASSO分位数回归概率密度预测方法,首先从影响电力负荷预测的多种外界因素中挑选出重要的影响因子,建立LASSO分位数回归模型.然后,使用triangular核函数,将LASSO分位数回归与核密度估计方法相结合,进行中期电力负荷概率密度预测.以中国东部某副省级市的历史负荷和外界影响因素(包括温度、节假日及风力大小)为算例,运用LASSO分位数回归方法进行中期电力负荷概率密度预测,得到的平均绝对误差在中位数和众数上分别为3.53%和3.69%,优于未考虑外界因素和考虑外界因素未进行变量选择的情况.为了进一步验证该方法的优越性,将其与非线性分位数回归和基于三角核的分位数回归神经网络概率密度预测方法进行对比分析,说明该方法能较好解决电力负荷预测中的高维数据问题,从而获得比较准确的电力负荷预测结果.     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

几何转换Boosting回归算法及其在高耗能企业负荷预测中的应用

针对高耗能企业的电力负荷预测问题, 提出了一种基于几何转换关系的Boosting集成预测方法. 该方法将分类问题中广泛采用的AdaBoost算法引入回归问题, 通过几何关系转换将负荷预测这一回归问题转化为一个两类分类问题, 在此分类问题上应用置信度AdaBoost算法得到最优集成分类面. 证明了此分类面等价于原回归问题上的一个回归函数, 同时证明了该方法与原始AdaBoost算法有着类似的收敛性. 实际算例表明, 该方法通过多预测模型的集成有效提高了负荷预测精度, 克服了传统单一预测模型在高耗能企业的电力负荷预测问题上泛化性能不佳的缺陷.     

基于混合算法的电力系统负荷预测

电力系统负荷预测是电力系统中的一个重要的研究课题。对神经网络算法和时间序列预测算法进行加权融合,提出一种混合算法对EUNITE竞赛数据进行了短期电力负荷预测。实验结果表明负荷预测精度得到了很大的提升。